XLearning 是奇虎 360 开源的一款支持多种机器学习、深度学习框架调度系统。基于 Hadoop Yarn 完成了对 TensorFlow、MXNet、Caffe、Theano、PyTorch、Keras、XGBoost 等常用框架的集成，同时具备良好的扩展性和兼容性。
架构设计
XLearning 系统包括三种组件：
Client：XLearning 客户端，负责启动作业及获取作业执行状态；
ApplicationMaster（AM）：负责输入数据分片、启动及管理 Container、执行日志保存等；
Container：作业的实际执行者，负责启动 Worker 或 PS（Parameter Server）进程，监控并向 AM 汇报进程状态，上传作业的输出等。对于 TensorFlow 类型作业，还负责启动 TensorBoard 服务。
功能特性
1 支持多种深度学习框架
支持 TensorFlow、MXNet 分布式和单机模式，支持所有的单机模式的深度学习框架，如 Caffe、Theano、PyTorch 等。对于同一个深度学习框架支持多版本和自定义版本。
2 基于 HDFS 的统一数据管理
训练数据和模型结果统一采用 HDFS 进行存储，用户可通过 --input-strategy 或 xlearning.input.strategy 指定输入数据所采用的读取方式。目前，XLearning 支持如下三种 HDFS 输入数据读取方式：
Download： AM 根据用户在提交脚本中所指定的输入数据参数，遍历对应 HDFS 路径下所有文件，以文件为单位将输入数据平均分配给不同 Worker 。在 Worker 中的执行程序对应进程启动之前，Worker 会根据对应的文件分配信息将需要读取的 HDFS 文件下载到本地指定路径；
Placeholder： 与 Download 模式不同，Worker 不会直接下载 HDFS 文件到本地指定路径，而是将所分配的 HDFS 文件列表通过环境变量
INPUT_FILE_LIST传给 Worker 中的执行程序对应进程。执行程序从环境变量os.environ["INPUT_FILE_LIST"]中获取需要处理的文件列表，直接对 HDFS 文件进行读写等操作。该模式要求深度学习框架具备读取 HDFS 文件的功能，或借助第三方模块库如 pydoop 等。InputFormat： XLearning 集成有 MapReduce 中的 InputFormat 功能。在 AM 中，根据 “split size” 对所提交脚本中所指定的输入数据进行分片，并均匀的分配给不同 Worker 。在 Worker 中，根据所分配到的分片信息，以用户指定的 InputFormat 类读取数据分片，并通过管道将数据传递给 Worker 中的执行程序进程。
同输入数据读取类似，用户可通过--output-strategy或xlearning.output.strategy指定输出结果的保存方式。XLearning 支持如下两种结果输出保存模式：
Upload： 执行程序结束后，Worker 根据提交脚本中输出数据参数，将本地输出路径保存文件上传至对应 HDFS 路径。为方便用户在训练过程中随时将本地输出上传至 HDFS，XLearning 系统在作业执行 Web 界面提供对输出模型的当前状态主动保存的功能，详情请见“可视化界面”说明部分；
OutputFormat： XLearning 集成有 MapReduce 中的 OutputFormat 功能。在训练过程中， Worker 根据指定的 OutputFormat 类，将结果输出至 HDFS 。
3 可视化界面
作业运行界面大致分为三部分：
All Containers：显示当前作业所含 Container 列表及各 Container 对应信息，如 Contianer ID、所在机器（Container Host）、所属类型（Container Role）、当前执行状态（Container Status）、开始时间（Start Time）、结束时间（Finish Time）、执行进度（Reporter Progress）。其中，点击 Container ID 超链接可查看该 Container 运行的详细日志；
View TensorBoard：当作业类型为 TensorFlow 时，可点击该链接直接跳转到 TensorBoard 页面；
Save Model：当作业提交脚本中“--output”参数不为空时，用户可通过
Save Model按钮，在作业执行过程中，将本地输出当前模型训练结果上传至 HDFS 。上传成功后，显示目前已上传的模型列表。
如下图所示：
4 原生框架代码的兼容性
TensorFlow 分布式模式支持 “ClusterSpec” 自动分配构建，单机模式和其他深度学习框架代码不用做任何修改即可迁移到 XLearning 上。
-
最近发现了一个做事很认真的做算法同事，身上很多优点值得我学习，推荐使用了一种360的开源工具，可以将tensoeflow提交至yarn里面。这个工具感觉解决了很多问题。我这个人比较懒，大部分工作都是我那个同事研究成功的，然后我坐享其成，等着验证结果。特此在这里将他的成果记录下来： 参考网址: https://github.com/Qihoo360/XLearning/blob/master/REA
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
本文向大家介绍深度学习调参经验？相关面试题，主要包含被问及深度学习调参经验？时的应答技巧和注意事项，需要的朋友参考一下 参数初始化，uniform均匀分布初始化，normal高斯分布初始化 数据预处理，进行归一化，有几种常用方法 梯度归一，算出来的梯度除以minibatch size 还有梯度裁剪，限制梯度上限，dropout防过拟合,一般sgd，选择0.1的学习了，衰减型的，激活函数选择relu
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。
-
你拿起这本书的时候，可能已经知道深度学习近年来在人工智能领域所取得的非凡进展。在图像识别和语音转录的任务上，五年前的模型还几乎无法使用，如今的模型的表现已经超越了人类。
-
全程拷打项目（因为项目是和tf与机器学习相关的） 手写conv2D的计算函数（因为项目里有个conv3D相关的tf算子，但是没有写出来） 手写nms算法（写得很慢，之前又因为也是做项目，没有仔细研究源码） 之前使用opencl比较多，cuda使用得比较少，而且机器学习相关的算法也不是很精通，第二天就挂了